Resumen

Mediante la exploración y visualización de datos, se evidenció ….

Introducción

Todo delito trae consigo una serie de inconvenientes o sufrimiento para una o más personas. Por esto y más siempre ha sido de interés para el humano el estudio de diversos delitos. Lo ideal sería poder predecir estos actos para así evitar los daños generados, pero lamentablemente esto no es posible debido a la gran aleatoriedad de los actos de las personas. Aunque no se puede tener certeza de que se cometerá un delito, sí se puede tratar de encontrar un patrón espacial.

Es por esto que buscamos analizar los distintos niveles de delitos por comuna de la Región Metropolitana y relacionarlos con distintas variables comunales, como son el porcentanje de hacinamiento, la cantidad de habitantes por vivienda, el índice de masculinidad poblacional, nivel de escolaridad del jefe de hogar, entre otras. Queremos responder preguntas como ¿Existirán patrones identificables de los tipos de delitos según las diversas variables comunales? ¿Hay relación entre algunos delitos y el nivel de de hacinamiento? ¿Tiene incidencia el nivel educacional del jefe de hogar? ¿Qué delitos sí y cuáles no?

Además, dado que tenemos información espacial ¿Podremos predecir futuros lugares conflictivos según la evidencia de evolución temporal? o ¿Existirán relaciones en los resultados alcanzados entre las unidades vecinales (comunas)?

Las conclusiones obtenidas podrían usarse para que cada comuna genere medidas preventivas desde su realidad, al tomar conocimiento de las variables que propician estos delitos.

Metodología

En este estudio utilizaremos los datos del Centro de Estudios y Análisis del Delito CEAD para los delitos clasificados como: Consumo de alcohol en la vía pública, ruidos molestos, abusos sexuales y otros delitos sexuales, violencia intrafamiliar contra el adulto mayor, contra la mujer y contra el niño. También, usaremos datos del CENSO 2017 provenientes de INE.

En las siguientes tablas podremos ver la descripción de nuestras variables a estudiar:

Adicionalmete para la base CENSO 2017, se generó una nueva variables ´Pob_Viv´ que resume la población y la cantidad de viviendas de la comuna.

Iniciaremos nuestra investigación realizando un análisis previo mediante visualizaciones para observar posibles patrones, asociaciones y correlaciones a través de cartogramas y corrplots, además de usar diversos test de asociación espacial.

Posteriormente, construiremos modelos lineales, CAR y SAR para cada una de las variables de Delitos. Las cuales serán construidas con diferentes variables, en donde identificaremos si es que existe alguna incidencia con nuestra poblacional.

Análisis y Resultados

Para tener una panorámica de la situación, observemos a través de cartogramas las variables poblacionales del CENSO 2017

De la Figura 1, podemos notar que para las variables HACI (hacinamiento) y Pov_Viv poseen una mayor condensación en el centro de las comunas de la región metropolitana. Notemos que para la variable MASCU (hombres cada 100 mujeres) existe una mayor tasa en comunas rurales.

Analicemos la existencia de autocorrelación espacial

De las tablas I y II, podemos desprender que para todas nuestras variables existe autocorrelación espacial.

Al igual que para la base anterior, realizaremos cartogramas para nuestra base Delitos. Dado que tenemos información desde el año 2010 hasta el 2017, se presentan a continuación animaciones del avance tras pasan los años para cada uno de los delitos denunciados que estamos estudiando

Figura 2: Cartograma denuncias abuso sexual

De la Figura 2, podemos notar que para el año 2012 se presentan más comunas con denuncias de esta índole. Además, cabe destacar que las comunas: Puente Alto, Maipú y Santiago centro permanecen en color amarillo y poseen pocas variaciones a lo largo de los años.

Figura 3: Cartograma denuncias de consumo de alcohol en la vía pública

De la Figura 3, podemos notar que la comuna de Santiago centro posee la mayor cantidad de denuncias por consumo de alcohol en la vía pública. Además, se observa un leve aumento en las comunas aledañas a Santiago centro tras pasar los años.

Figura 4: Cartograma denuncias de ruidos molestos

De la Figura 4, podemos notar que las denuncias con respecto a ruidos molesto ha disminuido un poco a lo largo de los años, dejando a la comuna de Las Condes y Puente Alto como las con mayores denuncias.

Figura 5: Cartograma de violencia hacia los niños y niñas

Con respecto a las denuncias de violencia hacia niños y niñas, podemos notar en la Figura 5 que estas han disminuido un poco al pasar los años. Las comunas con más denuncias de esta índole son Puente Alto, San Bernardo y Maipú.

Figura 6: Cartograma denuncias de violencia hacia la mujer

De la Figura 6, podemos notar que lamentablemente las denuncias por violencia hacia las mujeres se ha tenido una muy leve disminución al pasar los años.

Figura 7: Cartograma de violencia hacia los adultos mayores

De la Figura 7, podemos observar que ha aumentando la cantidad de denuncias por violencia hacia los adultos mayores. Las comunas de Puente ALto y San Bernardo poseen una mayor cantidad de denuncias.

Ahora bien, ¿Existirá algún tipo de autocorrelación espacial? Realicemos el análisis mediante el test de Moran y Geary para cada uno de estos años y variables:

Ruidos Molestos

Tabla VIII: Test de Moran para RUIDO

Anio	Moran_I	p_value	autocorr
2010	0.0144525	0.3165029	NO
2011	-0.0439589	0.6339855	NO
2012	-0.0413161	0.6213840	NO
2013	-0.0234342	0.5199303	NO
2014	-0.0504665	0.6564777	NO
2015	-0.0016898	0.4080358	NO
2016	-0.0464047	0.6407996	NO
2017	-0.0762835	0.7708874	NO

Podemos ver en la tabla VIII que la variable RUIDO no presenta autocorrelación espacial en ninguno de los años observados.

---

Ahora veamos la correlación de los datos a través de un corrplot ¿Qué tan relacionadas linealmente estarán nuestras variables?

knitr::include_graphics(here::here("Informe","Corrplot.png"))

Figura 8: Corrplot

De la Figura 2, podemos notar que las variables POB,VIV, ABUSO, VIO.MUJ y VIO.NIN poseen una asociación muy alta. Podríamos decir que a medida que hay mayor población o viviendas, encontraremos una mayor cantidad de denuncias con respecto a la violencia y abuso.

---

Conclusión

Inclusive en los delitos que no se apreciaba autocorrelación espacial podemos notar que el modelo CAR modela mejor. Esto probablemente debido a que las variables comunales que componen la variable respuesta delito sí tendrían autocorrelación espacial.

Tabla XV: Resumen incidencia de las variable comunales sobre los distintos delitos.

En la tabla XV podemos ver a qué variable se asocia cada delito. En los delitos en los que toma gran importancia el hacinamiento y la cantidad de habitantes por vivienda una forma de tratar de evitar estos otros delitos podría ser mediante subsidios a la vivienda u otras medidas que faciliten el acceso a un espacio propio. En los delitos en los que es bien relevante el nivel de educación del jefe o jefa de hogar es sumamente importante que se evite la deserción escolar y se fomente la continuidad de estudios. Finalmente, para delitos en los que el rol del alto índice de masculinidad comunal es importante nos parece más complejo de solucionar la búsqueda de un equilibrio en lo que a género se refiere. Creemos sumamente importante lograr interpretar esta variable más a fondo y comprender por qué este índice estaría “fomentando” estos delitos.

Referencias

Code for An Introduction to Spatial Analysis and Mapping in R 2nd edition Chris Brunsdon and Lex Comber https://bookdown.org/lexcomber/brunsdoncomber2e/calibrating-spatial-regression-models-in-r.html